摘要
本发明公开了一种可解释的FPGA多目标布线优化方法,包括在布局阶段,创建及训练拥塞‑线长多任务预测模型,并用该拥塞‑线长多任务预测模型预测拥塞和线长;基于预测得到的拥塞和线长结果,进行拥塞和线长的关系分析,得到拥塞‑线长影响特征图;通过拥塞‑线长影响特征图指导VTR布线器进行布线优化。本发明同时预测线长与拥塞,并且将预测结果融入到布线优化过程中,避免一个因素上的进展影响其它因素。另外,通过机器学习模型预测多指标,能够作为多指标优化的前提,最后通过可解释性人工智能能够解析多指标的关系,通过这层关系去指导多目标布线优化的进行,可有效避免单独预测优化拥塞,线长指标恶化的情况产生。
技术关键词
布线优化方法
多任务
布线器
分支
多指标
样本
节点
布线架构
人工智能算法
编码器
解码器结构
像素
关系
机器学习模型
资源
逻辑
上采样
布局
系统为您推荐了相关专利信息
低压
精准定位系统
实时数据
监测历史数据
数据处理模块
光伏功率预测方法
深度学习融合
特征选择
XGBoost算法
学习器
文本编码器
图像编码器
跨模态检索方法
语义实体
大语言模型
缺失数据填补方法
双向长短期记忆
卷积神经网络学习
强化学习算法
长短期记忆神经网络